هدف دقت برای قفسه های بسته در طول زندگی روزانه چیست؟

هوش مصنوعی اضافه شده به قفسه‌های بسته می‌تواند با دقت 96 درصد پیش‌بینی کند که کدام بسته‌ها ظرف 24 ساعت از قفسه بسته تحویل می‌شوند. با یک مدل پیش‌بینی با قابلیت یادگیری، بسته‌ها را می‌توان بدون رانندگی غیرضروری و به مکانی نزدیک به مصرف‌کننده تحویل داد.

پر کردن کمدهای بسته به تعداد و اندازه کمدهای جداگانه محدود می شود,در حالی که بسته های کوچک را می توان در کمدهایی با اندازه های مختلف قرار داد، بسته های بزرگتر فقط در برخی از قفسه ها قرار می گیرند. صدها قفسه بسته هر روز یا حداقل چند روز در هفته کاملاً پر می شوند. کمدهای بسته های پرطرفدار را نمی توان گسترش داد اگر در یک فضای محدود مانند داخل یک فروشگاه قرار گیرند. با هوش مصنوعی و یادگیری ماشینی، می توانیم پیش بینی دقیق تری از ظرفیت قفسه های بسته داشته باشیم که به ما کمک می کند بسته ها را به کمدهای بسته اغلب توسط گیرندگان انتخاب می شوند.

سیستم مسیریابی بسته توسعه ظرفیت موجود در قفسه بسته را با هوش مصنوعی پیش‌بینی می‌کند و پیش‌بینی می‌کند که چه تعداد از بسته‌های موجود در قفسه بسته قبل از اینکه راننده بار بعدی بسته‌ها را بیاورد، تحویل می‌گیرد. پیش‌بینی نرخ پر شدن کمدهای بسته قبلاً براساس میانگین ثابتی بود که تغییرات بسته به قفسه بسته، روز یا فصل را در نظر نمی‌گرفت.

به لطف پیش‌بینی‌های دقیق‌تر ظرفیت، این فرآیند سریع‌تر می‌شود و بسته‌ها را می‌توان در سریع‌ترین زمان ممکن به گیرندگان تحویل داد. هوش مصنوعی از قبل می‌تواند با دقت 96 درصد پیش‌بینی کند که کدام بسته‌ها در اولین دوره 24-ساعته از قفسه بسته‌ها برداشته می‌شوند.

"بسته را می توان تا جایی که ممکن است نزدیک به مشتری تحویل داد، که باعث کاهش رانندگی غیرضروری و انتشار گازهای گلخانه ای ناشی از آن می شود. ما قبلاً با دقت نزدیک به 100 درصد می دانیم که کدام یک از کمدهای بسته بندی خالی می شوند و قادر هستند. برای رزرو تعداد صحیح اقلام برای روز بعد"

ما در حال حاضر روی پروژه توسعه بعدی مربوط به استفاده از هوش مصنوعی در مسیریابی بسته کار می کنیم. قبل از رسیدن بسته، فروشگاه اینترنتی پیامی در مورد آن ارسال می کند. زمان ارسال پیام در فروشگاه اینترنتی متفاوت است. هوش مصنوعی برای پیش‌بینی اینکه بسته واقعاً چه زمانی به مرتب‌سازی می‌رسد استفاده می‌شود. اگر بتوان زمان ورود را به طور دقیق پیش‌بینی کرد، می‌توان برای قفسه‌های بسته رزرو از قبل انجام داد و خواسته‌های مشتریان را تا حد بیشتری در نظر گرفت.

"ما توانایی خود را برای استفاده از داده ها برای طیف گسترده ای از اهداف با دید بلندمدت ایجاد کرده ایم. داشتن هوش مصنوعی به عنوان بخشی از شبکه قفل بسته ما نمونه ای عالی از نحوه استفاده از داده ها و فناوری برای بهبود تجربه مشتری است. ما به‌ویژه در توانایی یادگیری ماشین خود سرمایه‌گذاری کرده‌ایم، و هوش مصنوعی که بسته‌ها را مسیریابی می‌کند، کاملاً توسط کارکنان خودمان توسعه داده شده است."